Two papers were nominated for the Best Paper Honorable Mention at the same time. The first Real-Time Live Chinese team at SIGGRAPH uses generative AI to create a 3D world.

SIGGRAPH, persidangan akademik global teratas yang memfokuskan pada grafik komputer, muncul dengan trend baharu.

Pada persidangan SIGGRAPH 2024 yang diadakan minggu lepas, antara kertas kerja terbaik dan anugerah lain, pasukan dari Makmal MARS Universiti Sains dan Teknologi Shanghai menerima dua pencalonan kehormat untuk kertas terbaik pada masa yang sama, dan hasil penyelidikannya adalah juga bergerak pantas ke arah perindustrian.

Pengarang menggunakan kaedah model generatif untuk membuka cara baharu untuk terus mengubah imaginasi kepada model 3D yang kompleks.文 Clay dan Dresscode, yang dicalonkan untuk kertas terbaik, adalah janaan 3D dan penjanaan pakaian 3D.

Dalam sesi Langsung Masa Nyata SIGGARPH, pasukan dari Universiti Sains dan Teknologi Shanghai menunjukkan satu siri senario aplikasi berdasarkan dua tugasan ini dalam masa nyata.

Zhang Qixuan, pengarang kertas kerja, pelajar siswazah tahun kedua dan CTO syarikat permulaan Yingmo Technology, mula-mula menunjukkan penyelesaian penjanaan 3D berdasarkan CLAY. Tahun lepas, pasukan Shadow Eye menggunakan gesaan teks ringkas (Prompt) untuk membina model 3D yang realistik untuk Zuckerberg dan Huang Jen-Hsun, menjadi pasukan China pertama yang mengambil bahagian dalam SIGGRAPH Real-Time Live. Tahun ini, penyelesaian penjanaan 3D mereka menggunakan satu imej sebagai input untuk menjana imej kartun Xiao Zha dan Lao Huang dalam gaya yang berbeza.

Di sebalik kandungan yang dijana ini ialah enjin AI 3D generasi baharu Rodin, yang memberi penghormatan kepada pengukir terkenal Rodin. Kandungan 3D yang dipaparkan di tapak dijana secara langsung daripada satu imej yang dimuat naik oleh pengguna, dan Rodin boleh terus menjana tekstur PBR dan permukaan segiempat untuk memudahkan pengubahsuaian dan penggunaan selanjutnya oleh artis.

Dengan 3D ControlNet, Rodin boleh mengawal bentuk yang dijana AI. Diberikan secara ringkas sebagai panduan, elemen geometri mudah boleh ditukar kepada voxel dan diubah menjadi aset 3D yang diperlukan berdasarkan maklumat semantik imej rujukan.

Rodin juga menyokong gambar lukisan tangan langsung, walaupun grafiti mudah. Beberapa foto telah digunakan untuk menjana aksara 3D, dan grafiti kanak-kanak menghasilkan pokok sebagai latar belakang Pembangun beroperasi di tapak dalam masa nyata, dan membina adegan pemodelan 3D yang lengkap dalam satu minit. Apabila tuan rumah bertanya siapa raksasa kecil di tengah itu, Zhang Qixuan berkata dengan lucu bahawa ini adalah AI.

Bercakap mengenainya, kali terakhir penjanaan model 3D keluar dari bulatan sebenarnya adalah pada SIGGRAPH: Pada tahun 2021, NVIDIA memperkenalkan kaedah membuat model 3D untuk Huang Renxun pada peringkat ini, mengejutkan dunia dengan palsu dan nyata kesan.

Pada masa itu, penjanaan model 3D dianggap penting untuk teknologi seperti manusia digital dan realiti maya. Tetapi tidak syak lagi bahawa kos tinggi pengimbasan badan berketepatan tinggi + pembinaan semula pembelajaran mendalam menentukan bahawa ia ditakdirkan untuk tidak dimasukkan ke dalam pengeluaran besar-besaran.

Menggunakan penjanaan AI mungkin jalan yang lebih baik. Walau bagaimanapun, pada masa lalu, teknologi yang dicadangkan oleh orang ke arah ini sentiasa "dipuji tetapi tidak popular."

Untuk aplikasi praktikal, kaedah ini mempunyai beberapa cabaran:

3D ialah masalah industri Tidak cukup untuk model berprestasi baik secara visual. Ia juga perlu mematuhi piawaian industri tertentu, seperti cara bahan diwakili, tampalan perancangan, Betapa munasabah strukturnya. Jika ia tidak dapat diselaraskan dengan piawaian industri manusia, hasil yang dihasilkan akan memerlukan banyak pelarasan dan sukar untuk digunakan pada pengeluaran.

Sama seperti model bahasa besar (LLM) perlu diselaraskan dengan nilai kemanusiaan, model AI yang dijana 3D perlu diselaraskan dengan piawaian industri 3D yang kompleks.

Penyelesaian yang lebih praktikal telah muncul: asli 3D

Salah satu pencalonan kertas terbaik Makmal MARS Universiti Sains dan Teknologi Shanghai - CLAY telah membenarkan industri melihat penyelesaian yang boleh dilaksanakan untuk masalah di atas, iaitu 3D asli.

Kami tahu bahawa dalam dua tahun yang lalu, laluan teknikal untuk penjanaan 3D boleh dibahagikan secara kasar kepada dua kategori: peningkatan dimensi 2D dan 3D asli.

Peningkatan dimensi 2D ialah proses mencapai pembinaan semula tiga dimensi melalui model resapan 2D yang digabungkan dengan kaedah seperti NeRF. Oleh kerana mereka boleh dilatih mengenai sejumlah besar data imej 2D, model sedemikian cenderung untuk menghasilkan hasil yang pelbagai. Walau bagaimanapun, disebabkan oleh keupayaan terdahulu 3D model resapan 2D yang tidak mencukupi, model jenis ini mempunyai keupayaan terhad untuk memahami dunia 3D dan terdedah kepada menjana hasil dengan struktur geometri yang tidak munasabah (seperti manusia atau haiwan dengan berbilang kepala).

Satu siri usaha pembinaan semula berbilang paparan baru-baru ini telah mengurangkan masalah ini pada tahap tertentu dengan menambahkan imej 2D berbilang paparan aset 3D pada data latihan model penyebaran 2D. Tetapi hadnya ialah titik permulaan kaedah sedemikian ialah imej 2D, jadi mereka menumpukan pada kualiti imej yang dijana daripada cuba mengekalkan kesetiaan geometri, jadi geometri yang dihasilkan sering tidak lengkap dan kurang terperinci.

Dalam erti kata lain, data 2D hanya merekodkan satu sisi, atau unjuran, dunia sebenar Imej dari pelbagai sudut tidak dapat menerangkan sepenuhnya kandungan tiga dimensi Oleh itu, masih terdapat banyak maklumat yang hilang dalam perkara yang dipelajari oleh model. dan hasil yang dihasilkan masih Ia memerlukan banyak pengubahsuaian dan sukar untuk memenuhi piawaian industri.

Memandangkan pengehadan ini,pasukan penyelidik CLAY memilih jalan lain - asli 3D.

Laluan ini melatih model generatif terus daripada set data 3D, mengekstrak prior 3D yang kaya daripada pelbagai geometri 3D. Hasilnya, model boleh "memahami" dengan lebih baik dan mengekalkan ciri geometri.

Walau bagaimanapun, model jenis ini mestilah cukup besar untuk "muncul" dengan keupayaan penjanaan yang berkuasa, dan model yang lebih besar perlu dilatih pada set data yang lebih besar. Seperti yang kita sedia maklum, set data 3D berkualiti tinggi adalah sangat terhad dan mahal, yang merupakan masalah pertama yang mesti diselesaikan oleh laluan 3D asli.

Dalam kertas CLAY ini, penyelidik menggunakan saluran paip pemprosesan data tersuai untuk melombong berbilang set data 3D dan mencadangkan teknik yang berkesan untuk meningkatkan model generatif.

Secara khusus, proses pemprosesan data mereka bermula dengan algoritma reshing tersuai untuk menukar data 3D kepada jerat kedap air, dengan berhati-hati memelihara perkara seperti tepi keras dan permukaan rata. Selain itu, mereka memanfaatkan GPT-4V untuk mencipta anotasi terperinci yang menyerlahkan ciri geometri yang penting.

Selepas melalui proses pemprosesan di atas, banyak set data digabungkan ke dalam set data model 3D ultra-besar yang digunakan untuk latihan model CLAY. Sebelum ini, set data ini tidak pernah digunakan bersama untuk melatih model generatif 3D kerana format yang berbeza dan kekurangan konsistensi. Set data gabungan yang diproses mengekalkan perwakilan yang konsisten dan anotasi yang koheren, yang boleh meningkatkan generalisasi model generatif.

CLAY yang dilatih menggunakan set data ini mengandungi model generatif 3D dengan sehingga 1.5 bilion parameter. Untuk memastikan kehilangan maklumat daripada penukaran set data kepada ungkapan tersirat kepada output adalah sekecil mungkin, mereka menghabiskan masa yang lama untuk menapis dan menambah baik, dan akhirnya meneroka kaedah ekspresi 3D yang baharu dan cekap. Khususnya, mereka menggunakan reka bentuk medan saraf dalam 3DShape2VecSet untuk menggambarkan permukaan yang berterusan dan lengkap, dan menggabungkannya dengan VAE geometri berbilang resolusi yang direka khas untuk memproses awan titik resolusi yang berbeza, membolehkannya menyesuaikan diri dengan saiz vektor terpendam (laten saiz).

Untuk memudahkan pengembangan model, CLAY menggunakan Transformer resapan pendam minimalis (DiT). Ia terdiri daripada Transformer, boleh menyesuaikan diri dengan saiz vektor terpendam, dan mempunyai skalabiliti model yang besar. Selain itu, CLAY juga memperkenalkan skim latihan progresif dengan meningkatkan saiz vektor terpendam dan parameter model secara beransur-ansur.

Akhir sekali, CLAY mencapai kawalan geometri yang tepat, dan pengguna boleh mengawal kerumitan, gaya, dsb. (walaupun aksara) penjanaan geometri dengan melaraskan perkataan segera. Berbanding dengan kaedah sebelumnya, CLAY dengan cepat boleh menjana geometri terperinci dan memastikan ciri-ciri geometri yang penting seperti permukaan rata dan integriti struktur.

Sesetengah hasil dalam kertas kerja menunjukkan sepenuhnya kelebihan laluan 3D asli. Rajah di bawah menunjukkan tiga sampel jiran terdekat pertama yang diambil oleh penyelidik daripada set data. Geometri berkualiti tinggi yang dijana oleh CLAY sepadan dengan perkataan segera, tetapi berbeza daripada sampel dalam set data, menunjukkan kekayaan yang mencukupi dan keupayaan untuk muncul daripada model besar.

In order to enable the generated digital assets to be directly used in existing CG production pipelines, the researchers further adopted a two-stage solution:

1. Geometric optimization ensures structural integrity and compatibility while maintaining aesthetics and Functionally refine the shape of the model, such as quadrilateralization, UV expansion, etc.;

2. Material synthesis gives the model a realistic texture through real textures. Together, these steps transform a rough mesh into a more usable asset in a digital environment.

Among them, the second stage involves a multi-view material diffusion model with nearly 1 billion parameters. After mesh quadrification and UV unwrapping, it generates a PBR material via a multi-view approach, which is then back-projected onto UV maps. The model generates more realistic PBR materials than previous methods, resulting in realistic renderings.

In order to allow CLAY to support more tasks, the researchers also designed a 3D version of ControlNet. The minimalist architecture enables it to efficiently support condition control of various different modes. They implemented several example conditions that users can easily provide, including text (natively supported), as well as images/sketches, voxels, multiview images, point clouds, and bounding boxes. ) and a partial point cloud with a bounding box. These conditions can be applied individually or in combination, allowing the model to faithfully generate content based on a single condition, or combine multiple conditions to create 3D content with style and user control, offering a wide range of creative possibilities.

In addition, CLAY also directly supports Low-Rank Adaptation (LoRA) on DiT’s attention layers. This allows for efficient fine-tuning so that the generated 3D content can be tailored to a specific style.

It is not difficult to see from these designs that CLAY’s design has targeted application scenarios from the beginning, which is very different from some purely academic research.

This also allows the model to be implemented quickly: Rodin has now become a commonly used 3D generator for many 3D developers.文 You can click to read the original text and access the Rodin experience product (it is recommended to open the PC side).

Many industry users at home and abroad have reported that the 3D assets generated by Rodin have scientific geometry, wiring rules, and exquisite material maps, and can be directly imported into existing mainstream rendering engines. They are very convenient to use and are close to Production. -Ready 3D generation application.

The MARS laboratory team of Shanghai University of Science and Technology, which contributed to CLAY, became the first Chinese team to be selected for the Real-Time Live session in the 50 years since SIGGRAPH was founded in 2023. It has stood on this stage for the second consecutive year.

Shadow Eye Technology is exploring the road of 3D native AI and building 3D products that are close to Production-Ready, significantly lowering the threshold for 3D creation.

CLAY-based 3D generation technology not only guides the direction of the industry, but will also play a positive role in the generation of images and videos. Because from the perspective of information entropy, the less information you provide, the greater the room for the model to play. 3D modeling can anchor the direction of convergence and improve the controllability of image and video generation.

However, the 3D field itself is not as simple as images and videos. Only by completing the complete chain will users truly begin to accept the capabilities of 3D + AI. This part of the work may be done through the partner's API, or by their team themselves.

Dans l'attente de la poursuite de la mise en œuvre de nouvelles technologies à l'avenir.

The above is the detailed content of Two papers were nominated for the Best Paper Honorable Mention at the same time. The first Real-Time Live Chinese team at SIGGRAPH uses generative AI to create a 3D world.. For more information, please follow other related articles on the PHP Chinese website!